李宏毅 2025 年 Transformer 課程是其人工智能課程體系中的重要組成部分，在臺(tái)大李宏毅 2025 人工智能課程合集中有所涵蓋。以下是該課程的簡(jiǎn)介：

課程內(nèi)容

Transformer 架構(gòu)基礎(chǔ)：從 Sequence-to-sequence（Seq2seq）模型的工作原理及其局限性講起，介紹如何利用自注意力機(jī)制改進(jìn)傳統(tǒng) Seq2seq 模型，引入 Transformer 模型。講解 Transformer 采用的 Encoder - Decoder 框架，包括編碼器如何接收輸入序列并將其轉(zhuǎn)換成一系列特征表示，解碼器如何基于編碼后的信息逐步生成目標(biāo)序列。

核心機(jī)制詳解：深入剖析 Self - Attention 的基本原理與具體過(guò)程，包括輸入如何通過(guò)乘上不同的變換矩陣產(chǎn)生不同的向量。介紹 “多頭” 注意力（“multi - headed” attention）機(jī)制，進(jìn)一步完善自注意力層。為解決 Self - Attention 中詞的順序信息問題，講解 Position Encoding 操作。

模型細(xì)節(jié)與優(yōu)化：介紹 Transformer 內(nèi)部的子層，如自注意力機(jī)制（Multi - Head Attention）和前饋神經(jīng)網(wǎng)絡(luò)（Feed Forward），以及每個(gè)子層處理之后如何使用殘差連接和層歸一化（Add&Norm）對(duì)結(jié)果進(jìn)行處理得到最后的輸出。探討 Transformer 架構(gòu)的一些變形，以及如何根據(jù)不同的設(shè)計(jì)思路，將 Decoder 部分設(shè)計(jì)為自回歸（Autoregressive）模型和非自回歸（Non - Autoregressive）模型。

實(shí)際應(yīng)用與案例：展示多個(gè)真實(shí)世界的例子，說(shuō)明 Transformer 如何應(yīng)用于自然語(yǔ)言處理等領(lǐng)域，如語(yǔ)音翻譯、Text - to - Speech（TTS）Synthesis 等。

課程資料

課程資料豐富，不僅有視頻講座，還包括配套的幻燈片和筆記。

學(xué)習(xí)目標(biāo)

通過(guò)該課程的學(xué)習(xí)，學(xué)生能夠深入理解 Transformer 的工作原理、內(nèi)部組件的功能，掌握 Transformer 在自然語(yǔ)言處理等領(lǐng)域的應(yīng)用，為進(jìn)一步研究和應(yīng)用 Transformer 模型，以及從事相關(guān)的人工智能研究和開發(fā)工作打下堅(jiān)實(shí)的基礎(chǔ)。